浅谈一种滑坡危险性分区方法
来源:用户上传
作者: 周鑫
摘要：支持向量机是一种常用的预测模型，本文主要利用该方法对某区域进行滑坡危险性分区。预测模型结合GIS技术来实现，最后得到滑坡危险性分区结果，并对结果进行评价和讨论。
关键词：滑坡；支持向量机； GIS
1 引言
滑坡危险性分区的研究方法可大致分为三类，分别是统计方法、软计算方法和解析法。当研究区范围较大时，解析法通常不能应用，因此统计法和软计算方法的应用变得越来越广泛。同时，在GIS平台上实现这些方法相对容易。像证据权模型、人工神经网络模型、模糊逻辑模型等一些新方法不断提出。也有很多研究将不同方法得到的结果进行比较研究。支持向量机模型等一些进行滑坡危险性评价和分区的新方法被提出，并对其结果进行了评价。显然，危险性分区中方法的选择是至关重要的。
2 数据准备
研究区在最近几年发生了较多滑坡地质灾害。研究区中的大多数的滑坡发生在道路、高速公路和堤坝附近或由削坡引起。这些滑坡大多为浅层滑坡且发生在残积土层中，降雨和暴雨是诱发滑坡的最为主要的危险因素。本文采用了遥感信息技术获得关于滑坡的有价值的重要信息。通过航片上滑坡存在的证据来确定滑坡，如雨林的覆盖间断、裸露的土壤和其他典型的地理特征。基于现场描述、已获得的数据库和航片解译。确定一系列合适的与滑坡破坏有关的不确定因素首先需要得到关于导致滑坡发生的主要的先验信息。这些不确定因素包括基岩岩性、结构、坡面产状、几何形态、渗流条件、地下水条件、气候、植被覆盖、土地利用和人类活动等。在本文的研究中以10m×10m的网格作为最小单元对研究区进行剖分，选择10m×10m是因为其尺寸既可以将滑坡危险性的信息包含在内，又可以降低计算的复杂度。为了获取研究区的地理信息参数，本文依据DEM图并利用等高线和高程点绘制了地形图。建立了输入数据模型。
3 滑坡危险性分区
在本次研究中，把来源于ArcGIS的数据采用相同的方法进行处理。在对数据进行划分时，没有经验法则可以借鉴。研究区包含254034个网格，其中有5988个网格含有滑坡。换句话说，包含滑坡的网格占研究区总面积的2.36%。由于数据分布的不均一性，本文选择一个典型的滑坡的参数作为典型样本，以此产生训练数据系列。为了减小数据分布的不均一性对结果产生的影响，本文将滑坡数据随机的分成两组，一组用于模型的训练，另一组用于模型的预测。第一组中的滑坡网格单元都表示滑坡的存在并被赋值。如果用于训练的数据可以反映整个研究区的特征，那么支持向量机这种方法就会运行的非常有效。支持向量机实质是统计学习理论，基于统计学习思想在实际工程应用中得以实现。与传统的统计理论方法相比，支持向量机方法可以有效地解决小样本、非线性及高维模式识别问题。由于该方法优良的学习特性，受到大量研究学者关注，并在很多相关领域都有广泛的应用。支持向量机的基本思想是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在所建的高维空间中寻找输入变量与输出变量之间的复杂非线性关系。岩土工程中所遇到的问题，多数都是小样本、非线性问题，并且岩土问题作用机理非常复杂，无法建立与问题相关的准确数学函数或力学模型。而支持向量机方法可以通过对有限数目样本的学习，可较为理想的反映出输入因素和输出结果之间复杂的非线性映射关系。支持向量机得到的结果很大程度上依赖于核函数的选择。在以往的研究中，共有4种核函数被广泛应用，分别为线性核函数；Sigmoid核函数；多项式核函数；高斯径向基核函数（支持向量机应用最广泛的核函数），基于该核函数，支持向量机可实现包含隐层的多层感知器，隐层节点数是由算法自动确定，不存在局部极小点问题。对于该核函数，有两个主要的参数需要确定，分别是规则化参数和核函数宽度。支持向量机算法基本步骤如下所述：首先初步建立模型，需要选取与目标类别相关的影响因子，提取因子数据，对所获得的数据进行预处理，主要进行标准化处理，根据数据要求选择核函数、惩罚因子，然后根据分类，形成分类所需的二次优化问题，从而获得初步的支持向量机模型。接下来是模型测试，选取测试样本数据，进行数据预处理，用满足模型的数据格式，代入第一步建立的初步模型。如果满足测试要求，即可成为判别目标的支持向量模型，否则从头重新进行模型建立。最后是模型预测，根据获取的预测样本数据，先进行数据预处理，建立满足模型的数据格式，基于支持向量机模型，将所得的模型预测结果进行判别预测判别结果，否则从头重新进行新模型建立。
4 危险性分区结果
本文利用成功率的方法对滑坡危险性分区图进行确认。成功率的数据通过训练数据中滑坡网格的比较来获得，成功率表明了滑坡预测结果和训练数据的相似程度。这种方法按照从高到低的危险性指数将滑坡危险性分区图划分成不同的等级。然后，计算每一个滑坡网格在每一个危险性等级分区中的数目。通过成功率方法利用训练数据用于模型进行训练。结果表明支持向量机模型成功率为73.06%，具有很好的预测能力。
5 结论
由于滑坡危险性评价较为困难且用到了复杂的非线性方法，滑坡危险性评价的研究逐渐成为热点。大量的方法被应用于滑坡危险性分区。在建立模型的过程中一般经历三个阶段，滑坡详细数据采集，危险性分析，危险性确定。第一阶段，通过勘查研究区已发生滑动的滑坡采集数据，以此产生训练数据系列。并将滑坡数据随机的分成模型训练组和模型预测组。第二阶段，确定了滑坡条件参数用于滑坡危险性评价。以10m×10m的网格作为最小单元对研究区进行剖分，经计算支持向量机模型成功率为73.06%，具有很好的预测能力，模型得到了较为理想的结果。但是结果的优劣不仅取决于方法的选择，获取数据的质量也至关重要。因此，如果数据准确性增加，该模型得到的结果也会更加可信。
参考文献
[1]谭立霞. GIS支持下基于支持向量机的滑坡灾害危险性评价研究[D].中南大学，2008.
[2]郑向东. 滑坡遥感信息提取及危险性评价研究[D].成都理工大学，2013.
[3]何原荣，傅文杰. 模糊支持向量机在滑坡危险性评价中的应用[J]. 自然灾害学报，2009，05：107-112.
[4]傅文杰. GIS支持下基于支持向量机的滑坡危险性评价[J]. 地理科学，2008，06：838-841.
[5]戴福初，姚鑫，谭国焕. 滑坡灾害空间预测支持向量机模型及其应用[J]. 地学前缘，2007，06：153-159.
转载注明来源:https://www.xzbu.com/1/view-7416713.htm
